1. 课程导入与全景认知

在变分量子算法（VQA）的工程实践中，量子线路本身往往不是最耗时的部分，真正决定一次实验能否收敛、能否复现的，是夹在量子处理器与经典优化器之间的那层“参数调度与更新逻辑”。本课程把这一层称为量子参数优化器：它负责接收量子线路多次执行后得到的期望值或概率分布，依据所选优化策略计算参数更新方向与步长，并把新参数回写给参数化量子线路（PQC），如此循环直至满足收敛或预算条件。需要强调的是，它不是某个具体软件包的名字，而是一类承担“参数—测量—更新”闭环职责的组件集合，既包括优化算法本身（如 SPSA、COBYLA、Adam、自然梯度），也包括学习率/步长调度、梯度估计方式、参数初始化与边界约束、收敛判据与噪声处理策略。

要建立全景认知，先看它在量子计算栈中的位置。自下而上，硬件层提供量子比特与门操作；编译与脉冲层把逻辑线路翻译为可执行指令；参数优化层位于算法层与执行层之间，向上服务于 VQE、QAOA、量子机器学习等变分算法，向下驱动“线路执行—测量采样—经典计算”的循环；再往上是应用与结果分析层。这个位置决定了它的双重约束：一方面它必须理解量子侧的输出统计特性（采样噪声、测量次数、硬件噪声），另一方面它必须满足经典侧的数值稳定性与预算约束（函数评估次数、墙钟时间、并行度）。

理解了位置，就能理解为什么“选型”和“调参”是两件不同却耦合的事。选型回答的是：面对给定的目标函数形态、参数维度、可用梯度信息与采样预算，应该选择哪一类优化策略。若目标函数只能通过黑箱采样获得、参数维度中等（几十到几百），且每次评估成本高，SPSA 这类仅需两次函数评估即可估计梯度的随机近似方法往往比有限差分更省预算；若参数维度较低且目标函数较平滑，COBYLA、Powell 等无梯度直接搜索方法实现简单、对噪声有一定容忍；若可以解析地获得参数移位梯度（parameter-shift rule），则基于精确梯度的 Adam、RMSProp 或自然梯度在收敛速度上更有优势，但每一步的线路执行次数会随参数数量线性增长。选型不是选“最强算法”，而是选“在预算约束下最匹配问题结构的方法”。

调参则回答：在方法确定后，如何设置初始参数、学习率或步长、扰动幅度、采样次数、收敛阈值与最大迭代次数，使优化过程稳定收敛而不是震荡、早停或陷入平庸的局部极小。这里有一个常被低估的事实：在含噪目标函数上，过小的学习率会让更新被噪声淹没，过大的学习率会让参数在极小值附近来回跳动；而采样次数 shots 直接决定目标函数的方差，shots 太少时优化器“看到”的是一条抖动的曲线，任何基于差分的梯度估计都会失真。因此调参的本质是在“统计精度”和“评估预算”之间做权衡。

为了让这种权衡可操作，本课程采用任务驱动的学习路径：先建立概念与栈位置的全景（本章），再逐一拆解无梯度方法、梯度方法、步长与采样调度、噪声与收敛判据，随后进入选型决策与参数配置的实操，最后通过案例复盘形成可复用的判断经验。每一节都会围绕一个具体问题展开，例如“给定 8 个参数的 VQE 能量估计，shots=1024，预算 500 次评估，选 SPSA 还是 COBYLA”，并给出可观察的量（目标函数曲线、梯度范数、参数轨迹）与判断依据，而不是停留在名词解释。

下面给出一个贯穿课程的最小示例设定，后续章节会反复引用：假设我们用一个 4 比特、含 8 个可训练参数的 PQC 估计某个哈密顿量的基态能量，目标函数为 C(θ)=⟨ψ(θ)|H|ψ(θ)⟩，每次评估使用 1024 次采样，总评估预算设为 500 次。若采用 SPSA，每次迭代约需 2 次评估（忽略多次平均），理论上可支撑约 250 次迭代；若采用参数移位梯度，8 个参数每个方向各需一次评估，单步约 16 次评估，仅能支撑约 31 次迭代。这个简单的算术已经说明：在预算紧张时，梯度精度与迭代次数之间存在直接冲突，选型必须先把这笔账算清楚。上述数值为教学示例设定，并非实测结果，实际项目中应以真实线路深度、噪声水平和硬件排队时间重新核算。

最后需要明确本课程的能力目标：学完后，你应当能够针对一个具体的变分任务，写出优化器选型的判断依据，配置一组可执行的超参数，读懂优化过程中的曲线与日志，并在结果不理想时定位问题出在方法选择、步长设置、采样不足还是收敛判据不当。这是一项工程判断能力，而不是记住若干算法名称。